Databricks面向公共部门推出AI治理方案Unity Gateway，集中管理模型访问、成本与合规。机构可控制可用模型及用户权限，按用户、团队或用例设支出上限，并通过智能路由降低成本。平台支持多供应商及开源模型，可按地域管理数据驻留，统一追踪请求、用量与费用，帮助合规和预算团队放心批准AI项目。

本文介绍如何让 Databricks 应用在用户增长时保持快速可靠，核心是按设计、构建、测试部署、运维四个阶段进行扩展：先设定延迟与峰值负载目标，将重负载交给专门服务，应用只负责 UI 和协调；采用异步代码，将会话状态分为可重建的软状态和持久化的硬状态；通过负载测试和遥测数据决定纵向扩容（更大实例）还是横向扩容（更多实例），而非盲目增加算力。

Databricks提供三种数据与AI资产共享方式，选择取决于与对方的关系：OpenSharing最简单，适合已知接收方，授予只读实时访问，无需建管道；Clean Rooms是封闭协作空间，多方在不暴露原始数据的前提下联合分析，仅见双方批准代码的结果；Marketplace是公开商店，适合无特定接收方、希望被发现或自行发现数据产品的场景。三者可并用。

Apache Spark 4.3 发布，核心是将有状态处理引入实时模式，三项基准测试的 P99 端到端延迟均低于 150 毫秒，支持流聚合、去重和 transformWithState。新增并发阶段调度与流水线 shuffle，实现持续数据流。还推出小数据单任务免 shuffle 执行、Auto CDC 的 SCD Type 2 历史追踪、Spark Connect 会话与操作可见性、DataFrame.zip、纳秒时间戳预览、JSON_TABLE 及 ASOF JOIN 等。发布节奏改为每季度一次。

企业AI策略正从依赖单一前沿模型转向多模型组合，原因包括成本回报不足、模型排名频繁变化、前沿模型护栏阻碍合法任务、数据保留政策变动、治理需求上升、模型运行框架影响性能，以及开源权重模型已追平前沿模型。Databricks的Unity AI Gateway统一接入开源与前沿模型，提供集中治理、路由和成本控制；Omnigent则让团队灵活更换模型或代理环境。客户使用的模型数量和开源模型流量均在增长。

Databricks MLflow 现已支持原生接收 Claude 平台的 OpenTelemetry 追踪数据，开发者可将 Anthropic SDK、Messages API 及托管代理的追踪发送至 Databricks，用于调试代理并评估改动。追踪数据经 Zerobus 低延迟写入 Unity Catalog 表，兼顾高吞吐与数据治理。借助 Genie Code 可分析失败原因，MLflow Issues 能识别重复问题并持续监控，评审队列可引入领域专家反馈，Agent Evaluation 则对比改动前后的表现，判断代理是否改进或退化。

Databricks 为 Unity Catalog Delta 表推出 UNIQUE 约束（公开预览），支持单表声明多个唯一性保证，列可为空，外键也可引用。约束默认仅记录元数据、不强制写入；验证数据后可用 RELY 标记，让优化器消除冗余连接和 DISTINCT 聚合。基准测试中连接查询提速 7.9 倍，DISTINCT 查询提速 12 倍。

Databricks宣布Lakebase Postgres在Google Cloud正式可用，可在Databricks数据与AI平台运行生产级无服务器Postgres。其架构分离计算与存储，与分析数据共享存储层，无需ETL管道，统一安全治理，降低运维与总成本，支撑AI代理和关键业务负载。

SAP与Databricks深化合作，在SAP TechEd上推出SAP Application Data Foundation，使SAP Databricks能更简便高效地访问云端及本地SAP应用数据，无需自建抽取管道，降低成本并保留业务语义。双方计划将Databricks完整的数据与AI能力嵌入SAP Business Data Cloud。SAF-Holland借此整合超1亿条记录，分析速度提升5倍。

Databricks宣布Spark声明式管道（SDP）的实时模式（RTM）正式可用。RTM采用持续流式处理，端到端延迟达毫秒级，比Flink快至92%。用户可在SDP中构建欺诈检测、实时个性化、特征计算等低延迟管道，并通过ForEach sink写入Lakebase、Redis等OLTP存储。该功能统一了流处理框架，减少运维开销，无需单独维护Flink等引擎。

Databricks为笔记本、作业和管道的无服务器计算引入成本控制，将管理重心从机器转向人员和工作负载。三项功能——标签归因（Beta）、访问控制（正式可用）和速率限制（Beta）——帮助平台团队控制谁可运行、花费多少及成本归属。

Procore Analytics 2.0 基于 Databricks 与 OpenSharing 重构数据架构，取代旧版每日限次刷新的 API 抽取模式。新架构采用青铜、白银、黄金三层数据管道，跨区域处理，并通过 OpenSharing 向客户分发数百张治理良好的数据表，支持 Power BI、Tableau 及 Databricks 原生共享，并按用户和项目自动执行权限控制。可提取数据目录规模翻倍，构建时间减半，刷新频率不再受限，新功能数据几乎即时可用。

Procore Analytics 2.0 采用 Databricks 与 OpenSharing 重构数据架构，取代受限于每日刷新和 API 瓶颈的旧版。新架构通过分层数据管道和 OpenSharing 向客户共享数百张治理良好的数据表，支持跨云、跨平台消费，并实现按用户和项目的权限控制。数据目录规模翻倍、构建时间减半，刷新频率不再受限，新产品数据可更快交付客户。

Databricks提出企业AI应转向客户对话场景。语音智能体需结合受治理的数据、业务本体和快速决策模型，实时理解来电者身份与上下文，在规则内提供个性化服务，必要时转接人工。其架构分为对话层与运行于Databricks平台的“大脑”层，确保数据安全合规。每次通话可记录、评分并持续优化。建议从高频常规通话入手，用开源DIVA蓝图开展90天试点。

Databricks推出编码智能体Genie Code，结合Unity Catalog实现数据治理与安全。针对医疗与生命科学领域专业性不足的问题，推出开源Vital Skills技能包，为AI编码代理提供行业知识与标准流程。在BiomniBench基准测试中，带技能的Genie Code表现更优，能可靠完成队列构建、模型部署等任务，减少错误假设，助力团队高效完成数据分析与报告。

本文介绍从BigQuery分阶段迁移到Databricks湖仓的框架，涵盖流程、技术与人员三大支柱：流程上先评估现有资产，按价值与复杂度分批迁移，通过湖仓联邦双轨验证后及时下线旧系统；技术上数据转为开放格式，SQL分层转换并严格校验；人员上打破分析师与数据科学家壁垒，借助Genie和培训提升技能。

Lakeflow Connect 提供全托管原生连接器，可将维基、项目管理、邮件、代码库及 AI 模型等生产力工具的数据统一接入 Databricks，并以 Unity Catalog 治理表的形式落地，无需自建管道。它支持非结构化内容处理，可用于构建企业知识 AI 代理、Genie 自然语言分析及 AI 用量监控。丰田金融、VaxCare、DigiCert、Orizon 等客户已将其用于 Jira、Confluence 等数据集成。

Databricks推出永久免费的Free Edition，供师生在浏览器中使用真实生产平台学习数据与AI，无需付费、云合同或安装。学生可实操Spark、SQL、建模等，技能可直接迁移；教师可通过LMS或GitHub分发作业，支持协作与大数据集共享。平台按公平使用限额运行，额度每日重置，适合教学但不可商用。

AI Search 原生支持流表、物化视图和 Iceberg v3+ 托管表，无需再建中间 Delta 表及同步管道。流表可实时索引新数据，支持新品发现与实时推荐；物化视图增量维护个性化状态，实现会话感知推荐；Iceberg 表可直接作为搜索源，免迁移统一跨系统数据。建索引流程与 Delta 表一致，降低运维开销。

Databricks提出统一能源交易平台方案：通过Spark结构化流将市场数据毫秒级实时写入Lakebase运营数据库，支撑实时交易应用展示价格、持仓、盈亏与风险，并在接近限额时即时预警；同一份受Unity Catalog治理的数据同时用于机器学习训练与部署、历史分析与自然语言查询，避免运营与分析双系统导致的数据不同步、治理重复和模型交接复杂等问题。